Trung tâm kiến thức
Mục lục

Xây dựng nhân lực kiểm tra ngoại quan bằng AI trong nhà máy

Kết luận cốt lõi về xây dựng nhân lực kiểm tra ngoại quan bằng AI trong nhà máy là: chỉ kỹ sư thuật toán thì không đỡ nổi kiểm tra ngoại quan ở cấp chuyền. Con đường thực sự hiệu quả là giao thoa ba năng lực - hiểu công nghệ tại chỗ, tinh chỉnh thuật toán thị giác và tích hợp tự động hóa - trong một người hoặc một đội, rồi dùng đào tạo theo tầng để biến kinh nghiệm thành quy trình vận hành chuẩn có thể lặp lại.

1. Vì sao lĩnh vực này đột nhiên thiếu người

Nhu cầu của ngành sản xuất với kiểm tra ngoại quan bằng AI đã chuyển từ có hay không sang có ổn định hay không. Dù là chuyền gắn SMT hay trạm kiểm tra bề mặt phụ tùng ô tô, việc giữ được tỷ lệ phán đoán sai trong mức chấp nhận suốt ba tháng liên tục không phụ thuộc vào demo ấn tượng đến đâu, mà vào việc có người tại chỗ hiểu quang học, hiểu nhịp chuyền, hiểu định nghĩa khuyết tật và vẫn chỉnh được tham số mô hình hay không. Với hơn 3.200 điểm và hơn 120 khách hàng thuộc hơn 15 ngành tích lũy, vận hành và tinh chỉnh kiểm tra thị giác đã trở thành một nhóm nghề riêng, trong khi chương trình đại học và đào tạo tự động hóa truyền thống chưa theo kịp.

2. Khái niệm cốt lõi: ai thực sự được tính là nhân lực thị giác AI của nhà máy

Không chỉ là người viết mô hình học sâu. Tình huống nhà máy có ít nhất ba tầng. Thứ nhất là kỹ sư ứng dụng thị giác, phụ trách chọn camera, thiết kế nguồn sáng, hiệu chuẩn và giao diện truyền thông, có khả năng làm hệ thống thị giác kích hoạt đáng tin trên chuyền. Thứ hai là kỹ sư tinh chỉnh thuật toán thị giác, phụ trách quản lý mẫu khuyết tật, tinh chỉnh mô hình, chiến lược ngưỡng và truy vết phán đoán sai. Thứ ba là tích hợp và vận hành hệ thống thị giác, phụ trách kết nối dữ liệu với PLC, robot và MES, và xử lý trôi hằng ngày. Ba vai trò chồng lấn kỹ năng nhưng lộ trình đào tạo hoàn toàn khác nhau.

3. Nguyên lý kỹ thuật và năng lực then chốt: đào tạo nên tập trung vào đâu

Nền tảng kỹ thuật của kiểm tra ngoại quan bằng AI trong nhà máy là tạo ảnh, gán nhãn, huấn luyện, suy luận và vòng kín. Tạo ảnh đặt trần, gán nhãn đặt hướng, huấn luyện đặt mức nền, suy luận đặt nhịp chuyền và vòng kín đặt tuổi thọ. Quy về con người, năng lực then chốt không phải nhớ kiến trúc mạng mà là bốn điều. Thứ nhất, đọc mẫu khuyết tật và phân biệt khuyết tật thật với khuyết tật giả và với biến thiên công nghệ. Thứ hai, quản lý dữ liệu, biết mẫu nào cần thêm, mẫu nào cần bỏ, mẫu nào cần gán nhãn lại. Thứ ba, đọc nhịp chuyền và hiểu vì sao thêm 20 mili giây suy luận lại làm cả chuyền chậm. Thứ tư, viết quy tắc vòng kín để đưa phán đoán sai tự động vào hàng đợi gán nhãn. Bốn điều này không thể dạy kỹ trong lớp học; phải học bên cạnh chuyền.

4. Tình huống sản xuất điển hình và nên bắt đầu đào tạo từ đâu

Giả sử một nhà máy điện tử kiểm tra ngoại quan đầu nối và hệ thống thị giác sinh ra vài chục ảnh phán đoán sai mỗi ngày. Lộ trình đào tạo có thể là: để người mới theo chuyền ba ngày và tự ghi lại các loại phán đoán sai, sau đó dưới hướng dẫn của kỹ sư làm một vòng làm sạch mẫu và chỉnh ngưỡng, cuối cùng tự hoàn thành một lần cập nhật phiên bản mô hình nhỏ. Điều họ học trong quá trình đó không phải một thuật toán cụ thể mà là lẽ thường tại chỗ rằng định nghĩa khuyết tật thay đổi theo lô.

Giả sử một doanh nghiệp phụ tùng ô tô phát hiện rỗ trên bề mặt vật đúc, khó khăn là phản xạ và chuyển đổi giữa nhiều loại sản phẩm. Đào tạo khi đó tập trung vào tái sử dụng bộ chiếu sáng và hiệu chuẩn nhanh khi đổi chuyền. Có thể yêu cầu học viên tự hoàn thành hai lần hiệu chuẩn đổi chuyền dưới giám sát của người có kinh nghiệm và ghi lại góc sáng cùng tham số phơi sáng mỗi lần, tạo thành chỉ dẫn công việc nội bộ.

Giả sử một nhà máy pin năng lượng mới phát hiện khuyết tật lớp phủ trên lá điện cực, nhịp rất nhanh và chi phí phán đoán sai cao. Phát triển nhân lực ở đây nghiêng về quy trách nhiệm phán đoán sai nhanh, yêu cầu học viên trong mười phút xác định vấn đề là quang học, mô hình hay vật liệu vào và đề xuất biện pháp tạm thời. Năng lực như vậy chỉ tích lũy được qua việc xem xét số lượng lớn ca phán đoán sai thật.

5. Tiêu chí lựa chọn và lời khuyên triển khai: đưa lộ trình đào tạo vào thực tế

Thứ nhất, đừng tuyển người thuần thuật toán để quản thị giác trên chuyền. Cách đáng tin hơn là chọn người từ kỹ sư tự động hóa hoặc công nghệ hiện có rồi bồi dưỡng kỹ năng thuật toán thị giác và quản lý dữ liệu. Thứ hai, đào tạo nên theo tầng: cấp nhập môn luyện tạo ảnh và hiệu chuẩn, cấp nâng cao luyện quản lý mẫu và tinh chỉnh mô hình, cấp cao nhất luyện thiết kế vòng kín và tích hợp liên hệ thống. Thứ ba, đánh giá không bằng chỉ số trên giấy mà bằng ba con số: tỷ lệ phán đoán sai có giảm không, thời gian tinh chỉnh có ngắn lại không và hiệu chuẩn đổi chuyền có đạt ngay lần đầu không. Thứ tư, xây thư viện mẫu khuyết tật nội bộ và hồ sơ xem xét phán đoán sai; đó là giáo trình và cũng là tài sản giúp hệ thống lặp mãi. Thứ năm, khi làm việc với nhà cung cấp giải pháp bên ngoài, hãy ghi chuyển giao tri thức vào phạm vi hợp đồng và yêu cầu họ chạy ít nhất hai vòng tinh chỉnh đầy đủ cùng nhân sự nội bộ.

6. Triển vọng

Một hướng là công cụ tinh chỉnh thị giác ngày càng ít mã, để kỹ sư tại chỗ cập nhật mô hình mà không phải viết script huấn luyện, dịch trọng tâm đào tạo từ lập trình sang phán đoán dữ liệu. Một hướng khác là hợp nhất đa phương thức, kết hợp thị giác với hồng ngoại, siêu âm và cảm biến lực, đòi hỏi nhân lực hiểu thêm đặc tính nhiều loại cảm biến. Một hướng nữa là vòng kín sâu hơn giữa hệ thống thị giác với MES và QMS, để kỹ sư thị giác đọc được dòng dữ liệu chất lượng. Với nhà sản xuất, ai biến việc phát triển nhân lực thị giác nội bộ thành chuẩn mực trước sẽ đưa kiểm tra ngoại quan bằng AI từ việc dự án thành năng lực thường ngày.

Chủ đề: Bách khoa nhận dạng hình ảnh bằng AI